تخمین کانال مقاوم مبتنی بر یادگیری عمیق و شکل دهی پرتو غیر فعال با مدل فاز گسسته برای سیستم های ارتباطی همراه با صفحات هوشمند قابل پیکربندی

یک سطح هوشمند قابل پیکربندی مجدد (RIS) با تغییراتی در دامنه و فاز امواج برای افزایش ظرفیت و پوشش عملکرد سیستم های ارتباطی نسل ششم (۶G) را بهبود می بخشد. با این حال عملکرد بهینه RIS به اطلاعات حالت کانال (CSIT) وابسته است که با روش های مرسوم با چالش مواجه می شود. بیشتر منابع موجود از یک مدل تغییر فاز ایده آل استفاده می کنند که در کاربردهای عملی غیر واقع بینانه است. در این مقاله یک مدل فاز گسسته ارائه می کنیم. روش های مبتنی بر یادگیری عمیق ابزارهای قدرتمندی برای مواجهه با ابعاد بالا در این سیستم ها ارائه می دهند. این مقاله یک الگوریتم مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی کاملا متصل (FCNN) را برای تخمین کانال با خطای کم در سیستم های RIS توسعه داده ایم. مدل پیشنهادی با استفاده از الگوریتم حداقل مربعات (LS) بهبود یافته به صورت تکراری آموزش داده شده تا سرعت همگرایی و دقت آن بیشتر شود. بطور خاص، ما یک ساختار یادگیری عمیق طراحی و آموزش می دهیم تا با استفاده از سیگنال های دریافتی کانال های بین فرستنده و گیرنده را تخمین بزند. به منظور ارزیابی عملکرد سیستم بر اساس دقت تخمین کانال و نمودارهای نرخ خطای بیت (BER) بررسی شده است. طبق شبیه سازی های انجام شده این روش عملکرد بهتری نسبت به تکنیک های موجود نشان داده است و منجر به خطای تخمین کمتر در سیستم ارتباطی می شود. ما اثر بخشی رویکرد تخمین را تحت شرایط فازهای گسسته نیز بررسی کردیم. این یافته ها راه را برای عملکرد قابل اعتماد RIS در شبکه های آینده ۶G هموار می کنند.

کلیدواژه ها:

سطح هوشمند قابل پیکربندی مجدد (RIS) ، تخمین کانال ، یادگیری عمیق (DL) ، تکنیک کمترین مربعات (LS) ، شکل دهی پرتو ، فاز گسسته